Systémy s více agenty často zklamávají? Problém nemusí být v agentech samotných, ale v tom, jak jsou organizováni. Většina systémů má pevný řetězec, strom nebo grafovou strukturu, kterou nelze upravovat podle změny úkolu. Ale co když se systém dokáže naučit svůj vlastní model spolupráce? Tento průlomový článek představuje rámec nazvaný Puppeteer, který dynamicky orchestruje agenty místo spoléhání se na předem navržené topologie. Klíč je: • Již nejsou předdefinované struktury spolupráce, ale agenti, jejichž koordinátoři vybírají dalšího řečníka na základě měnících se stavů konverzace. • Trénovat strategie pomocí algoritmů REINFORCE pro přímou optimalizaci úspěšnosti úkolů. • Vyhnout se kombinatorické složitosti tím, že vše serializujete do kontinuálního výběru agentů místo hledání komplexních topologií grafů. Výsledky jsou překvapivé: Místo obrovské grafové struktury se přirozeně vytváří kompaktní cyklický vzor, ve kterém většinu práce zajišťují 2–3 agenti. Ještě silnější je, že systém dokáže autonomně objevit efektivitu. Zobrazení úspěchů: • U GSM-Hard matematických úloh: přesnost 70 % (oproti 13,5 % při použití základního modelu samostatně). • Na MMLU-Pro: dosaženo 83 % (76 % na výchozí úrovni). • Na SRDD vývoj softwaru: dosaženo 76,4 % (výchozí hodnota 60,6 %). Tyto boosty jsou doprovázeny snížením spotřeby tokenů. Článek ukazuje, že náklady na tokeny nadále klesají, zatímco výkon se během školení zlepšuje. Také prokázali, že proces výběru agenta splňuje Markovovu vlastnost, což znamená, že aktuální stav určuje optimálního dalšího agenta bez nutnosti sledovat celou historii. Takže: Pro vývojáře AI převažuje jednoduchost učení nad složitostí pečlivého návrhu. Vyškolený router s několika specializovanými agenty překonává dobře navržené pracovní postupy a zároveň snižuje výpočetní režii.

Odkaz na papír: